基于改进GWO-LightGBM的磨煤机故障预警方法研究

为提高燃煤电厂磨煤机运维效率、降低运维成本,对磨煤机故障预警进行了研究。创新性地提出一种基于改进灰狼优化(GWO)算法的轻量级梯度提升机(LightGBM)故障预警方法。通过建立LightGBM轴承温度预测模型获取磨煤机轴承温度阈值,并引入改进GWO算法优化模型超参数,以提高算法效率和性能。试验结果表明,改进GWO-LightGBM算法相比支持向量机(SVM)等传统算法具有更高的精度和更优的泛化能力。通过实际故障案例证明,该方法能够提前2 h对磨煤机进行早期故障预警。该方法对燃煤电厂磨煤机安全运维具有指导意义。

用SSA优化CNN-LSTM-SEnet预测模型实现风电机组故障预警

风电机组数据采集与监控系统的原始高维数据存在大量异常点和噪声点,且故障预警对性能预测模型的精度要求很高。为此,建立了一种基于混合神经网络预测模型的风电机组故障预警方法。为获取高质量的建模数据,采用快速密度峰值聚类和孤立森林算法对原始数据进行多步清洗。利用麻雀搜索算法优化的卷积神经网络–长短期记忆网络–压缩激励网络混合模型,建立了能够有效提取潜在特征信息、高精度的风机正常工况性能预测模型。为实现故障可靠预警、降低误报率,通过滑动窗口法构建预警指标并结合核密度估计法计算其阈值。采用真实故障历史数据进行实验,验证了方法的有效性。

基于IMSGP-WEDI的水电机组故障预警方法

水电机组故障预警指标对于机组早期故障预警时间影响较大,而当前预警指标多基于单传感器信息构建,且其特征信息单一,难以更全面地表征机组运行状态,针对此问题,提出了一种基于集成多传感器遗传规划(integrated multi-sensor genetic programming,IMSGP)与权重欧式距离指标(weighted euclidean distance index,WEDI)的水电机组故障预警方法。首先,将多传感器信号进行预处理,剔除干扰信息;然后从预处理后的信号中提取多元特征,构建原始预警特征集;接下来利用复合检测指数(composite detection index,CDI)进行特征选择,并利用IMSGP进行特征构造;最后结合主成分分析(principal component analysis,PCA)与欧式距离构建WEDI,判别机组异常状态。通过对水电机组实测数据的分析,证明了提出的方法可及时发现早期故障,实现故障预警。

应用深度学习的卫星典型单机故障预警平台设计

为了及早发现卫星典型单机的趋势性异常,基于Docker容器和微服务架构设计了卫星典型单机故障预警平台,包括数据预处理、样本数据增广、模型训练及验证、模型软件自动构建等系统,具备良好的可扩展性。在此基础上,重点研究并给出了应用深度学习的典型单机预警模型构建与软件自动化封装运行方法。利用针对北斗卫星2个典型单机构建的实例模型和15份故障样本,验证了故障预警平台设计的有效性。文章的研究成果可为最终实现卫星系统的智能运维提供参考。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

基于MTF-ResNet-ViT的风电机组精细级联故障预警

提出一种基于MTF-ResNet-ViT的风电机组(WT)精细级联故障预警方法。第1级将SCADA数据转换为马尔可夫转移场图像,利用残差网络提取故障特征,实现WT大部件状态监测和故障预警,并对故障代码数据进行标签与扩充。第2级将标签后数据灰度图像化后,利用视觉变换器建立故障代码预警模型,实现精细故障代码预警。实验结果表明,该方法可以有效标签和扩充故障代码数据,实现精细故障代码早期预警。

基于IWOA-Transformer的磨煤机故障预警

提出了一种基于改进鲸鱼算法优化Transformer网络超参数(IWOA-Transformer)的故障预警方法。该方法利用非线性收敛系数和高斯变异对鲸鱼算法(WOA)进行改进,以提高WOA的收敛速度和避免其陷入局部最优;再采用改进鲸鱼算法(IWOA)优化Transformer的超参数,建立磨煤机故障预警模型;然后,通过预测值和实际值的相似度函数确定自适应阈值,结合专家系统判断故障类型并提出解决方案,实现磨煤机故障预警;最后,以某350 MW热电机组中速磨煤机为例进行故障预警试验。结果表明:所提IWOA-Transformer模型可显著提高预警速度和准确率,具有工程实用价值。

基于深度联合收割机故障预警技术探析

面对基于因素空间、改进竞争威布尔模型故障预警技术缺少对联合收割机机构动力学分析,导致工作部件故障后转速预警精准度较低的问题,提出了基于深度学习的联合收割机故障预警技术研究。建立了一种基于深度学习的联合收割机机构动态特性分析模型,设计故障诊断流程,确定故障变量范围,建立故障诊断初始矩阵。以深度学习MMD最大均值误差估计值为基础,提取故障诊断特征向量。设置局部阈值规则,输出预警结果。由实验结果可知,该技术割台搅龙、输送槽和切流滚筒转速与实际转速一致,最大误差为2s,具有精准预测结果。

煤矿机电设备的远程监控与故障预警系统设计

近年来,随着嵌入式技术、互联网技术、大数据分析和人工智能技术的飞速进步,远程监控与故障预警系统已在各行各业取得了广泛应用。这些创新技术为煤矿机电设备的安全运行赋予了崭新的可能。本文将深入探讨如何依托这些前沿科技,构建一套契合煤矿机电设备的远程监控与故障预警体系。

风电机组齿轮箱故障预警算法研究及应用

齿轮箱健康状态直接影响风电机组的发电量,为了在工程实际中尽早实现齿轮箱故障状态的预警,提出一种基于改进狮群优化的K-means聚类算法。将监督机制及考虑非线性权重的正余弦优化算法引入狮群算法实现算法改进,通过改进狮群优化算法对狮王位置的迭代,选择最优解作为K-means算法聚类中心,以解决传统聚类算法对初始聚类中心依赖性强的问题。选择UCI数据对算法进行对比验证,结果表明,基于改进狮群优化的K-means聚类算法的分类准确度和稳定性有较好的提升。将该算法应用于某风电场内4台同一型号机组齿轮箱振动加速度有效值的对比测试,发现该算法的分类中心分布与齿轮箱实际运行状态相吻合,且与标准规定的齿轮箱不同状态所对应的振动能量分布相一致,证明该算法可实现风电机组齿轮箱早期故障预警。

基于径向基神经网络的水电机组运行故障预警方法研究

水电机组在实际工作中所采集到的数据具有多维、非线性、时变等特点,容易导致预警精度低。为此进行基于径向基神经网络的水电机组运行故障预警方法的研究。首先,对水电机组运行信号进行分解,以便从复杂的信号中提取关键信息。然后,从分解后的信号中识别出能够反映机组运行状态的特征量,用于计算异常状态指数,量化机组的健康状态与异常状态。最后,建立基于径向基神经网络的故障预警模型,利用异常状态指标预测机组未来的运行状态,并在机组出现故障前提供及时的预警。实验结果表明:与基于温度监测的预警方法和基于支持向量机的预警方法相比,基于径向基神经网络的水电机组运行故障预警方法在100次测试中,能够准确地识别出水电机组的异常状态,并给出及时的预警,实际应用价值更高。

基于迁移学习的老化风电机组故障预警方法

大量机组的老化问题导致原有故障预警系统失效,为实现老旧机组的技改增效,提出一种基于迁移学习的老化机组故障预警方法。首先,分析老化问题对机组数据分布的影响,并利用MIC(Maximal Information Coefficient)最大互信息系数和长短期记忆神经网络(Long Short-Term Memory,LSTM)构建多年度机组故障预警模型,探究老化问题对现有故障预警技术的影响;其次,基于模型的迁移学习提出老化机组故障预警方法,在保留原模型大量信息的基础上,高效且快速地解决老化问题导致的原模型失效问题。实际风场数据采集及监控系统(Supervisory Control and Data Acquisition,SCADA)的数据验证表明,所提老化机组故障预警方法与重新训练的模型均能在故障发生前46 h发出预警,此外,所提方法大幅缩减了模型的构建时间和资源。

基于LSTM和随机森林的避雷器故障预警算法

针对传统实验方法无法准确预测避雷器状态及当前在线监测方法易受环境因素干扰的问题,提出了一种基于长短期记忆(LSTM)网络与随机森林(RF)算法的避雷器故障预警模型。该模型利用LSTM算法通过避雷器的关键特征量,对其未来状态做出预测,并将LSTM的预测数据输入到预训练好的改进随机森林模型进行故障类型分析,实现提前告警。多组对比实验结果表明,所提方法对避雷器故障预测的平均绝对百分比误差(MAPE)范围为4.16%~5.62%,均方根误差(RMSE)范围为0.136~0.154,而针对避雷器故障分类的总体准确率为92.6%,有效实现了避雷器的状态预测和故障分类,可以为工程应用提供更为精准的决策依据。

红外特征提取与关联分析的设备故障预警方法

水电站电气设备的安全稳定运行至关重要。为了实现设备故障的自动预警,通过红外特征提取并进行灰色关联分析,提出建立主成分分析(PCA)和基于密度的聚类算法(DBSCAN)的设备故障预警模型。首先,通过数据预处理补全缺失数据,剔除异常数据后进行主成分分析降维并提取新的主成分特征。其次,将新的主成分采用DBSCAN算法构建特征样本集,建立灰色关联模型,计算灰色关联系数,然后,通过灰色关联系数的变化程度突变点进行故障预警。实验结果表明,所提方法能有效提取红外特征,并在设备异常状态下实现设备故障预警,故障预警准确率达到97.88%。

多传感器融合的工业生产线故障预警技术

针对工业生产线故障预警过程中,因不同传感器采集的数据维度不同,导致预警效率低的问题,提出一种多传感器融合的工业生产线故障预警技术。首先,通过投影的方式对不同传感器数据进行融合转换,将传感器坐标系下工业生产线设备的位置信息转换成平面坐标系下的数据形式;然后,利用光束平差算法进行坐标系融合,得到工业生产线设备的位姿;最后,利用深度置信网络计算工业生产线设备的位姿与目标状态之间的关系,确定工业生产线设备是否处于故障状态,并及时做出相应的预警。经测试,该技术对不同类型、不同程度的工业生产线故障均实现了高效预警,时间开销稳定在1.0 s以内。

IGMM结合区间统计的机械故障预警方法研究

针对机械工况恶劣、结构复杂,单特征门限报警的故障预警方法对其预警常出现误、漏报警事件的现状,提出一种无限高斯混合模型(IGMM,Infinite Gaussian Mixture Model)结合区间统计的机械故障预警方法。首先,将机械振动信号映射为高维特征空间,对其所在空间进行区间划分。然后,利用IGMM估计出机械健康状态下高维特征空间在各区间频数的分布;利用累计计数方法统计出机械在实时状态下高维特征空间在各区间频数的分布。最后,对以上两个频数分布计算距离并将其与自学习得出的预警阈值作比较,实现故障预警。验证结果表明,提出方法的预警准确率较高且时效性较好。

基于IQPSO-GA优化ANFIS模型的服务器故障预警方法

针对服务器底层部分业务类硬件故障对系统稳定运行的影响,提出一种改进的量子行为粒子群优化(IQPSO)与遗传算法(GA)相结合的混合元启发式优化算法对自适应神经模糊推理系统(ANFIS)参数进行训练,以获得更准确的ANFIS规则进行硬件故障预警的方法;首先,通过分析服务器业务与硬件相关参数之间的映射关系,通过采集的数据集对ANFIS模型进行训练构造预测模型;其次,考虑ANFIS在梯度计算过程中存在容易陷入局部最优值的问题,设计了一种IQPSO算法结合GA中的交叉和变异算子操作混合元启发算法全局搜索ANFIS规则参数;最后,通过一组后处理样本数据集对所提方法有效性和稳定性进行了检验;实验结果表明,该方法可有效预警服务器硬件故障,基于所提混合元启发优化算法获得的ANFIS模型具备更快的收敛速度和更高的全局搜索精度,与传统ANFIS模型相比泛化精度提高了47%以上。

基于TPE-Informer的列车风源系统故障预警研究

针对轨道交通列车的风源系统在每日高强度和负荷的运行环境下容易发生故障的问题,结合空气压缩机作为系统的核心部件受多种因素影响呈间歇性运行进而导致监测数据在时间维度上分布不均,现有基于连续运行数据的故障预警方法难以适用的情况,研究了一种适应列车风源系统的故障预警框架。首先结合不同类型数据的特点提取多维时序特征,并使用Informer模型学习正常数据特征,同时应用基于树结构的贝叶斯优化算法(TPE)优化模型参数。然后通过分析模型预测值与实际测量值的残差,提出了一种预警指标计算方法。在公开的列车风源故障数据集MetroPT3上的仿真实验结果表明,该预警框架最早于故障前220个周期发出预警,且最晚于前22个周期发出预警,并对误报具有良好的鲁棒性。

综合能源系统中热电联产机组故障预警现状

热电联产机组作为综合能源系统的重要组成部分之一,不仅承担着电能和热能的生产与传输等环节,也为系统消纳可再生能源提供了基础。风机和磨煤机作为热电联产机组的重要辅机设备,对热电联产机组的正常运行发挥着重要作用。介绍了故障预警技术背景,并对风机和磨煤机的故障类型进行了总结,随后基于人工智能算法将故障预警技术分为机器学习、深度学习和组合模型3种技术路线展开叙述。分析总结了各个技术的发展趋势和核心问题。最后对当前故障预警技术在综合能源系统中的发展应用进行了展望。

基于SCADA系统和神经网络的海上风电场故障预警方法研究

针对海上风电场的快速发展,风电场故障预警得到了广泛的关注,精准、及时的对海上风电场的风电机组运行进行监测,实现故障精确预警是目前研究的热点问题。本研究将SCADA系统和GA-BP神经网络相结合建立了发电机绕组温度预测模型,并耦合灰色关联度分析法来筛选神经网络模型的输入层数据,确定模型的敏感性指标,基于统计学原理结合风电场评价指标和滑动窗口,计算海上风电场运行预警阈值,根据预警阈值与机组的评价指标确定风电场机组的运行状态,提出一种海上风电场故障预警方法,研究结果表明该模型能有效实现海上风电场故障预警,为海上风电场故障预警方法提供理论依据和技术支撑。